CN103617417B - 植物自动识别方法和系统 - Google Patents
植物自动识别方法和系统 Download PDFInfo
- Publication number
- CN103617417B CN103617417B CN201310603406.4A CN201310603406A CN103617417B CN 103617417 B CN103617417 B CN 103617417B CN 201310603406 A CN201310603406 A CN 201310603406A CN 103617417 B CN103617417 B CN 103617417B
- Authority
- CN
- China
- Prior art keywords
- plant
- shape
- individual
- identification
- calculate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种植物自动识别方法和系统,通过获取不同类别和个体的植物点云数据构建植物识别的训练集,再计算所述植物的形状特征向量,基于所述形状特征向量计算计算植物识别算法的参数以及待识别植物个体属于各植物类别的可能性大小,并选取可能性最大的类别作为该植物的类别。本发明的过程简单,且方便实用,提高了植物自动识别的工作效率,减小了工作量,适用于大规模植物分类识别工作。
Description
技术领域
本发明涉及植物分类技术,尤其涉及一种植物自动识别方法和系统。
背景技术
据估计,地球上大约有22万到42万种不同类别的植物。对于植物的分类识别是一项庞大复杂的工作,传统的植物识别方法主要依靠相应的植物学家,利用他们自身的专业知识,对植物外形、表皮、叶子等进行研究分析,确认植物类别,但是,这种人工分类方式效率低下,需要耗费大量的人力、物力和财力,而且极度依赖植物学家的专业知识。
目前也有少量基于植物叶片图像采用自动分类方法对植物进行识别。在国外,Guyer等在1993年提取了17种用于描述叶片形状的特征对植物进行分类研究;Abbasi等人使用多重尺度曲率空间来描述叶子的边界和形状及其它特征来对菊花进行分类研究;Saitoh和Kaneko通过提取形状和颜色等特征,使用神经网络来识别野花,对16种不同类别的野花进行分类识别实验,其准确率超过了95%;Rui等人利用改进的傅立叶描述子对植物叶片进行了分类研究。在国内,傅星、卢汉清在1994年进行了使用计算机技术进行植物自动分类的初步探讨和研究;祁亨年等通过提取基于叶片大小、叶形、圆形度参数及叶缘等叶片外观形状特征,建立植物分类识别模型对植物分类进行研究;傅弘等提出使用边缘梯度、局部对比度和领域统计特征等10个参数来描述像素的邻域特征,结合神经网络方法提取叶脉图像,用于叶片识别。
虽然,上述的这些方法都需要采集植物叶片,相对于人工识别提高了效率,但是,其采集数据的工作量任然较大、效率较低。
发明内容
基于此,有必要针对上述植物自动识别方法存在工作量大、效率低的缺陷,提供一种高效的植物自动识别方法。
一种植物自动识别方法,包括下述步骤:
获取不同类别和个体的植物点云数据;
构建植物识别的训练集;
计算植物训练集植物的形状特征向量;
基于所述形状特征向量计算植物识别算法的参数;及
基于所述识别算法及参数计算待识别植物个体属于各植物类别的可能性大小,选取可能性最大的类别作为该植物的类别。
在本实施例中,其中,获取不同类别和个体的植物云数据,具体为采用车载移动数据采集平台,获取不同类别和个体的植物云数据,所述数据采集平台为StreetMapper系统或Lynx系统。
在本实施例中,同一类别的植物个体数目至少为10个。
在本实施例中,其中,计算植物训练集植物的形状特征向量,包括下述步骤:
对所述植物点云数据的任一点p,查找其最近的k个点N(p,k),其中,k分别选取为10,20,30,40,50;
利用主成分分析方法计算所述点p及所述点N(p,k)的特征值和所述特征值对应的特征向量,所述特征值为(l_1k,l_2k,_3k),所述特征向量为(v_1k,v_2k,v_k3),其中l_1k<l_2k<l_3k;
计算每个特征向量与Z轴的夹角,并选取最小的夹角,记为a_ik,其中,i=1,2,3;k=10,20,30,40,50;
计算每个特征向量在XOY平面投影与X轴的夹角,并选取最小的夹角,记为b_ik,其中,i=1,2,3;k=10,20,30,40,50;
基于所述a_ik及所述b_ik,构建所述点P的形状特征,记为F(p),其中,F(p)=(l_ik,l_ik/sqrt(k),l_ik/(l_1k+l_2k+l_3k),(l_ik+l_jk)/(l_1k+l_2k+l_3k),l_ik/l_jk,l_1k/l_2k+l_1k/l_3k,l_1k/l_2k+l_2k/l_3k,l_1k/l_3k+l_2k/l_3k,a_ik,b_ik)其中,i,j=1,2,3;1<=i<j<=3;k=10,20,30,40,50;
采用上述同样的方法得到所述植物点云数据中每一点对应的形状特征,并记为F;
将所述F每一维构造均匀分成若干直方图,得到所述植物个体的形状特征向量,所述形状特征向量表征了所述植物个体的形状信息及类别信息。
在本实施例中,所述形状特征F(p)为一个120维的形状特征向量。
在本实施例中,所述F每一维构造均匀分成10个直方图,所述植物个体的形状特征向量为1200维的形状特征向量。
在本实施例中,基于所述形状特征向量计算植物识别算法的的参数,具体为:
将所述特征向量及所述特征向量对应的类别信息输入Joint Boost算法进行训练得到算法参数。
另外,本发明还提供了一种植物自动识别系统,包括数据获取模块,用于获取不同类别和个体的植物点云数据;
构建模块,用于构建植物识别的训练集;
第一计算模块,用于计算所述植物的形状特征向量;
第二计算模块,用于基于所述形状特征向量计算植物识别算法的参数;和
识别模块,用于计算待识别植物个体属于各类别的可能性,选取可能性最大的类别作为识别结果。
在本实施例中,所述数据获取模块包括车载移动数据采集平台,所述车载移动数据采集平台用于获取不同类别和个体的植物云数据,所述数据采集平台为StreetMapper系统或Lynx系统。
本发明提供的植物自动识别方法和系统,通过获取不同类别和个体的植物点云数据构建植物识别的训练集,再计算所述植物的形状特征向量,基于所述形状特征向量计算计算植物识别算法的参数以及待识别植物个体属于各植物类别的可能性大小,并选取可能性最大的类别作为该植物的类别,过程简单、方便实用,提高了植物自动识别的工作效率,减小了工作量,适用于大规模植物分类识别工作。
附图说明
图1为本发明提供的植物自动识别方法的步骤流程图;
图2为本发明一较佳实施例提供的计算植物的形状特征向量的步骤流程图;
图3为本发明提供的植物自动识别系统;
图4为本发明实施例1提供的树木识别结果的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
请参阅图1图1为本发明提供的植物自动识别方法100的步骤流程图,包括下述步骤:
步骤S110:获取不同类别和个体的植物点云数据;
其中,获取不同类别和个体的植物云数据,具体为采用车载移动数据采集平台,获取不同类别和个体的植物云数据。
优选地,上述数据采集平台为加拿大Optech公司的三维激光测量车Lynx系统和英国3D Laser Mapping公司的StreetMappe系统。
优选地,同一类别的植物个体数目至少为10个。可以理解,上述植物个体且尽可能具有不同的形状和代表性。
步骤S120:构建植物识别的训练集;
可以理解,采用上述车载移动数据采集平台,可以快速准确获取植物外在的形状信息,获取各种类别、不同个体的植物高精度点云数据,构建植物识别的训练数据集,训练集中植物类别和各类别植物数目可随实际需要增加。
步骤S130:计算植物训练集植物的形状特征向量;
请参阅图2,图2为本发明一较佳实施例提供的计算所述植物的形状特征向量的步骤流程图,包括下述步骤:
步骤S131:对植物点云数据的任一点p,查找其最近的k个点N(p,k),其中,k分别选取为10,20,30,40,50;
步骤S132:利用主成分分析方法计算点p及点N(p,k)的特征值和特征值对应的特征向量,特征值为(l_1k,l_2k,_3k),特征向量为(v_1k,v_2k,v_k3),其中l_1k<l_2k<l_3k;
步骤S133:计算每个特征向量与Z轴的夹角,并选取最小的夹角,记为a_ik,其中,i=1,2,3;k=10,20,30,40,50;
步骤S134:计算每个特征向量在XOY平面投影与X轴的夹角,并选取最小的夹角,记为b_ik,其中,i=1,2,3;k=10,20,30,40,50;
步骤S135:基于a_ik及b_ik,构建所述点P的形状特征,记为F(p),其中,F(p)=(l_ik,l_ik/sqrt(k),l_ik/(l_1k+l_2k+l_3k),(l_ik+l_jk)/(l_1k+l_2k+l_3k),l_ik/l_jk,l_1k/l_2k+l_1k/l_3k,l_1k/l_2k+l_2k/l_3k,l_1k/l_3k+l_2k/l_3k,a_ik,b_ik)其中,i,j=1,2,3;1<=i<j<=3;k=10,20,30,40,50;
优选地,形状特征F(p)为一个120维的形状特征向量。
步骤S136:采用上述同样的方法得到植物点云数据中每一点对应的形状特征,并记为F;
优选地,F每一维构造均匀分成10个直方图,植物个体的形状特征向量为1200维的形状特征向量。
步骤S137:将所述F每一维构造均匀分成若干直方图,得到所述植物个体的形状特征向量,该形状特征向量表征了植物个体的形状信息及类别信息。
可以理解,对植物数据中每一点依据上述方法都可以计算得到其对应的形状特征F,然后对F每一维构造均匀分成10个区间的直方图,得到该植物个体1200维的形状特征向量,该特征向量在很大程度上描述了该植物个体的形状信息及类别信息。
步骤S140:基于所述形状特征向量计算植物识别算法的参数;
优选地,将特征向量及特征向量对应的类别信息输入Joint Boost算法进行训练得到算法参数。
步骤S150:基于所述识别算法及参数计算待识别植物个体属于各植物类别的可能性大小,选取可能性最大的类别作为该植物的类别。
具体地将带识别植物的特征向量输入步骤S140训练好的识别算法,得到该植物属于各植物类别的可能性大小,实际中选取可能性最大的类别作为该植物的类别。
请参阅图3,图3为本发明提供的植物自动识别系统200,包括数据获取模块210、构建模块220、第一计算模块230、第二计算模块240及识别模块250。
数据获取模块210用于获取不同类别和个体的植物点云数据。具体地,数据获取模块210包括车载移动数据采集平台211。车载移动数据采集平台211用于获取不同类别和个体的植物云数据,车载移动数据采集平台211为StreetMapper系统或Lynx系统。可以理解,采用上述车载移动数据采集平台211,可以快速准确获取植物外在的形状信息,获取各种类别、不同个体的植物高精度点云数据。
构建模块220用于构建植物识别的训练集。可以理解,通过构建模块220构建植物识别的训练数据集,训练集中植物类别和各类别植物数目可随实际需要增加。优选地,同一类别的植物个体数目至少为10个,且选取的植物个体且尽可能具有不同的形状和代表性。
第一计算模块230用于计算植物的形状特征向量。具体地,第一计算模块230能够执行下述功能,以实现计算植物的形状特征向量。
对植物点云数据的任一点p,查找其最近的k个点N(p,k),其中,k分别选取为10,20,30,40,50;
利用主成分分析方法计算所述点p及所述点N(p,k)的特征值和特征值对应的特征向量,特征值为(l_1k,l_2k,_3k),特征向量为(v_1k,v_2k,v_k3),其中l_1k<l_2k<l_3k;
计算每个特征向量与Z轴的夹角,并选取最小的夹角,记为a_ik,其中,i=1,2,3;k=10,20,30,40,50;
计算每个特征向量在XOY平面投影与X轴的夹角,并选取最小的夹角,记为b_ik,其中,i=1,2,3;k=10,20,30,40,50;
基于a_ik及所述b_ik,构建点P的形状特征,记为F(p),其中,F(p)=(l_ik,l_ik/sqrt(k),l_ik/(l_1k+l_2k+l_3k),(l_ik+l_jk)/(l_1k+l_2k+l_3k),l_ik/l_jk,l_1k/l_2k+l_1k/l_3k,l_1k/l_2k+l_2k/l_3k,l_1k/l_3k+l_2k/l_3k,a_ik,b_ik)其中,i,j=1,2,3;1<=i<j<=3;k=10,20,30,40,50;
采用上述同样的方法得到所述植物点云数据中每一点对应的形状特征,并记为F;
将F每一维构造均匀分成若干直方图,得到植物个体的形状特征向量,形状特征向量表征了所述植物个体的形状信息及类别信息。
第二计算模块240用于基于形状特征向量计算植物识别算法的参数。具体地,将第一计算模块230计算植物的形状特征向量及特征向量对应的类别信息输入Joint Boost算法进行训练得到算法参数。
识别模块250用于计算待识别植物个体属于各类别的可能性,选取可能性最大的类别作为识别结果。可以理解,识别算法的输出结果在一定程度上表述了该植物属于何种个体类别,最大的值表明了该植物最可能属于的个体类别,
实际中选取识别结果最大的类别作为该植物的类别。
本发明提供的植物自动识别方法和系统,通过获取不同类别和个体的植物点云数据构建植物识别的训练集,再计算所述植物的形状特征向量,基于所述形状特征向量计算计算植物识别算法的参数以及待识别植物个体属于各植物类别的可能性大小,并选取可能性最大的类别作为该植物的类别,过程简单、方便实用,提高了植物自动识别的工作效率,减小了工作量,适用于大规模植物分类识别工作。
以下通过具体实施例进一步阐述本发明,这些实施例仅用于举例说明的目的,并没有限制本发明的范围。
实施例1
在本实施中我们采用车载移动激光扫描车获取了12种树的点云数据,每种树的数目见表1。对每种树随机选一半的树木作为训练样本,另一半作测试样本。
表1树木名称及数量
中文名称 | 英文名称 | 树木数量 |
桃花心木 | Mahogany | 29 |
垂榕 | Ficus Benjamina | 47 |
小叶榕 | Ficus Microcarpa | 44 |
重阳木 | Bischofia Polycarpa | 50 |
凤凰木 | Delonix | 53 |
大叶紫薇 | Lagerstroemia Speciosa | 32 |
臭椿 | Ailanthus | 44 |
棕榈树 | Palm | 50 |
榄仁树 | Terminalia | 51 |
松树 | Pine | 24 |
大叶榕 | Ficus Virens | 39 |
柳树 | Willow | 12 |
将表1中训练样本以外的树木个体作为测试数据进行植物识别,按上述步骤计算每个个体的特征向量F,并输入Joint Boost分类器计算得到该个体属于12种树木的可能性大小,选取可能性最大的树种作为该树木的类别。在实际中,为了使分类的识别更为精确,在完所有测试数据后计算每一种树木正确识别出来的百分比以及识别成其它树种的百分比。
请参阅图4,为本实施例随机选取训练集和测试集重复以上识别实验100次,计算得到的平均识别率,其中,图4中每一行表示该树种被识别成其它树种(包括自己)的百分比,左列树木名称下的斜杠前的数字为该类别树木总数,斜杠后为作为训练集的树木数目)。
从图4中可以看出,百分比的大小表示该树种被识别成其他树种的可能性大小,百分比越大表示该树种最为可能属于的树种类别。
另外,在实际中为了方便直接读出树种可能属于的类别,还可以采用图片的灰度深浅和上面的数字相对应的方法来快速识别树种类别,即数字越大颜色越深,则表明该植物最为可能属于该类别,数字越小颜色越浅,则表明该植物最不可能属于该类别,其中,100对应黑色,0对应白色。通过上述方法识别的植物个体,过程简单、方便实用,精确度高,提高了植物自动识别的工作效率,减小了工作量,适用于大规模植物分类识别工作。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明,任何熟悉本专业的技术人员,在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (5)
1.一种植物自动识别方法,其特征在于,包括下述步骤:
获取不同类别和个体的植物点云数据;
构建植物识别的训练集;
计算植物训练集植物的形状特征向量;
基于所述形状特征向量计算植物识别算法的参数;及
基于所述识别算法及参数计算待识别植物个体属于各植物类别的可能性大小,选取可能性最大的类别作为该植物的类别;
其中,计算植物训练集植物的形状特征向量,包括下述步骤:
对所述植物点云数据的任一点p,查找其最近的k个点N(p,k),其中,k分别选取为10,20,30,40,50;
利用主成分分析方法计算所述点p及所述点N(p,k)的特征值和所述特征值对应的特征向量,所述特征值为(l_1k,l_2k,1_3k),所述特征向量为(v_1k,v_2k,v_3k),其中l_1k<l_2k<l_3k;
计算每个特征向量与Z轴的夹角,并选取最小的夹角,记为a_ik,其中,i=1,2,3;k=10,20,30,40,50;
计算每个特征向量在XOY平面投影与X轴的夹角,并选取最小的夹角,记为b_ik,其中,i=1,2,3;k=10,20,30,40,50;
基于所述a_ik及所述b_ik,构建所述点p的形状特征,记为F(p),其中,F(p)=(l_ik,l_ik/sqrt(k),l_ik/(l_1k+l_2k+l_3k),(l_ik+l_jk)/(l_1k+l_2k+l_3k),l_ik/l_jk,l_1k/l_2k+l_1k/l_3k,l_1k/l_2k+l_2k/l_3k,l_1k/l_3k+l_2k/l_3k,a_ik,b_ik)其中,i,j=1,2,3;1<=i<j<=3;k=10,20,30,40,50;
采用上述同样的方法得到所述植物点云数据中每一点对应的形状特征,并记为F;
将所述F每一维构造均匀分成若干直方图,得到所述植物个体的形状特征向量,所述形状特征向量表征了所述植物个体的形状信息及类别信息。
2.根据权利要求1所述的植物自动识别方法,其特征在于,同一类别的植物个体数目至少为10个。
3.根据权利要求1所述的植物自动识别方法,其特征在于,所述形状特征F(p)为一个120维的形状特征向量。
4.根据权利要求1所述的植物自动识别方法,其特征在于,所述F每一维构造均匀分成10个直方图,所述植物个体的形状特征向量为1200维的形状特征向量。
5.根据权利要求1所述的植物自动识别方法,其特征在于,基于所述形状特征向量计算植物识别算法的的参数,具体为:
将所述特征向量及所述特征向量对应的类别信息输入Joint Boost算法进行训练得到算法参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310603406.4A CN103617417B (zh) | 2013-11-25 | 2013-11-25 | 植物自动识别方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310603406.4A CN103617417B (zh) | 2013-11-25 | 2013-11-25 | 植物自动识别方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103617417A CN103617417A (zh) | 2014-03-05 |
CN103617417B true CN103617417B (zh) | 2017-02-01 |
Family
ID=50168120
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310603406.4A Active CN103617417B (zh) | 2013-11-25 | 2013-11-25 | 植物自动识别方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103617417B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503741A (zh) * | 2016-10-31 | 2017-03-15 | 深圳前海弘稼科技有限公司 | 植物种类的识别方法、识别装置和服务器 |
CN109586950B (zh) * | 2018-10-18 | 2022-08-16 | 锐捷网络股份有限公司 | 网络场景识别方法、网络管理设备、系统及存储介质 |
CN110321868A (zh) | 2019-07-10 | 2019-10-11 | 杭州睿琪软件有限公司 | 对象识别及显示的方法及系统 |
CN112561985B (zh) * | 2020-10-27 | 2021-07-20 | 广西大学 | 一种基于双目视觉的绿篱苗木修剪对中方法 |
CN113588495A (zh) * | 2021-08-17 | 2021-11-02 | 贵州中建建筑科研设计院有限公司 | 3d扫描测定混凝土拌合物性能的试验系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008118977A1 (en) * | 2007-03-26 | 2008-10-02 | Desert Research Institute | Data analysis process |
CN101398898A (zh) * | 2008-10-20 | 2009-04-01 | 中国科学院合肥物质科学研究院 | 基于流形学习的植物叶片识别方法 |
CN101916382A (zh) * | 2010-07-30 | 2010-12-15 | 广州中医药大学 | 一种植物叶片的图像识别方法 |
US8442307B1 (en) * | 2011-05-04 | 2013-05-14 | Google Inc. | Appearance augmented 3-D point clouds for trajectory and camera localization |
-
2013
- 2013-11-25 CN CN201310603406.4A patent/CN103617417B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008118977A1 (en) * | 2007-03-26 | 2008-10-02 | Desert Research Institute | Data analysis process |
CN101398898A (zh) * | 2008-10-20 | 2009-04-01 | 中国科学院合肥物质科学研究院 | 基于流形学习的植物叶片识别方法 |
CN101916382A (zh) * | 2010-07-30 | 2010-12-15 | 广州中医药大学 | 一种植物叶片的图像识别方法 |
US8442307B1 (en) * | 2011-05-04 | 2013-05-14 | Google Inc. | Appearance augmented 3-D point clouds for trajectory and camera localization |
Non-Patent Citations (1)
Title |
---|
基于三维点云的树木分类研究;唐永春;《中国优秀硕士学位论文全文数据库信息科技辑》;20111215;第9-10,20,24,39,45页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103617417A (zh) | 2014-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108615010B (zh) | 基于平行卷积神经网络特征图融合的人脸表情识别方法 | |
CN107122375B (zh) | 基于图像特征的图像主体的识别方法 | |
CN111339935B (zh) | 一种基于可解释cnn图像分类模型的光学遥感图片分类方法 | |
CN104091321B (zh) | 适用于地面激光雷达点云分类的多层次点集特征的提取方法 | |
CN103617417B (zh) | 植物自动识别方法和系统 | |
CN108537191B (zh) | 一种基于结构光摄像头的三维人脸识别方法 | |
CN109034210A (zh) | 基于超特征融合与多尺度金字塔网络的目标检测方法 | |
CN112446388A (zh) | 一种基于轻量化二阶段检测模型的多类别蔬菜幼苗识别方法及系统 | |
CN107886117A (zh) | 基于多特征提取和多任务融合的目标检测算法 | |
CN105303150B (zh) | 实现图像处理的方法和系统 | |
CN103310481B (zh) | 一种基于模糊熵迭代的点云精简方法 | |
CN107527065B (zh) | 一种基于卷积神经网络的花卉品种识别模型建立方法 | |
CN105005765A (zh) | 一种基于Gabor小波和灰度共生矩阵的人脸表情识别方法 | |
CN106295661A (zh) | 叶片图像多特征融合的植物种类识别方法及装置 | |
CN110472652B (zh) | 基于语义引导的少量样本分类方法 | |
CN103871100A (zh) | 基于点云与数据驱动的树木模型重建方法 | |
CN101916369B (zh) | 基于核最近子空间的人脸识别方法 | |
CN103295025A (zh) | 一种三维模型最优视图的自动选择方法 | |
CN103049679B (zh) | 蛋白质潜在致敏性的预测方法 | |
CN101169830A (zh) | 基于嵌入式隐马尔可夫模型和选择性集成的人脸画像自动生成方法 | |
CN106203450A (zh) | 基于深度学习框架对图像进行特征提取的目标检测方法 | |
CN103500342A (zh) | 一种基于加速度计的人体行为识别方法 | |
CN107967461A (zh) | Svm 差分模型训练及人脸验证方法、装置、终端及存储介质 | |
CN109255339A (zh) | 基于自适应深度森林人体步态能量图的分类方法 | |
CN111476287A (zh) | 一种高光谱影像小样本分类方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |